Publisher

UNJAYAUNJAYA

Journal Teknomatika: Jurnal Informatika dan KomputerTeknomatika: Jurnal Informatika dan Komputer Abstract

Penelitian ini mengevaluasi dampak variasi jumlah lapisan layer pada implementasi algoritma Convolutional Neural Network (CNN) dalam sistem identifikasi dan kategorisasi objek berbasis warna, menggunakan bahasa python dengan dukungan framework TensorFlow/Keras. Data yang digunakan adalah kumpulan data visual berupa cangkir merah dan putih yang terbagi dalam proporsi 90% data training dan 10% data testing pada dataset dalam penelitian ini yang berjumlah 62 data cangkir berwarna merah dan 59 data cangkir berwarna putih. Pengujian dilakukan dengan membandingkan tiga konfigurasi lapisan konvolusi berbeda 1, 2, dan 3 lapisan layer, dimana setiap konfigurasi diintegrasikan dengan lapisan max pooling dan fully connected. Hasil penelitian menunjukan akurasi 92%, precision 93%, recall 92%, dan f1-score 92%. Di sisi lain, penerapan dua dan tiga lapisan konvolusi justru menunjukkan kemunduran signifikan dengan akurasi hanya 46%.

Conclusion

Pemodelan algoritma CNN dengan 1 layer konvolusi, 1 layer max pooling, dan 1 fully connected layer memberikan performa terbaik dalam mendeteksi dan mengklasifikasikan objek berdasarkan fitur warna, dengan akurasi 92%, precision 93%, recall 92%, dan f1‑score 92%.Penambahan 2 atau 3 layer konvolusi menurunkan akurasi secara signifikan hingga hanya 46%.Grafik akurasi dan loss menunjukkan konfigurasi satu layer lebih stabil dan mendekati nilai optimal dibandingkan konfigurasi lainnya.

Future Research

Untuk penelitian lanjutan, pertama-tama dapat diteliti penerapan transfer learning dengan menggunakan arsitektur pretrained seperti VGG, ResNet, atau MobileNet pada dataset kecil berisi gambar cangkir berwarna, guna meningkatkan akurasi deteksi warna dibandingkan model CNN konvensional. Kedua, eksplorasi optimizer alternatif seperti AdamW dan RMSprop serta strategi tuning hyperparameter menggunakan grid search atau Bayesian optimization dapat dilakukan untuk menemukan kombinasi optimal antara jumlah layer dan parameter pelatihan yang memaksimalkan performa model. Ketiga, integrasi mekanisme perhatian seperti Squeeze‑and‑Excitation (SE) block atau self‑attention bersama metode Explainable AI (XAI) dapat diuji untuk menilai dampaknya terhadap kemampuan model dalam mengekstraksi fitur penting serta meningkatkan interpretabilitas hasil deteksi warna objek, sehingga memberikan wawasan yang lebih mendalam bagi pengembangan sistem pengenalan visual.

References

1. Perbandingan LSTM dengan Support Vector Machine dan Multinomial Na ve Bayes pada Klasifikasi Kategori... doi.org/10.26623/transformatika.v20i2.5880Perbandingan LSTM dengan Support Vector Machine dan Multinomial Na ve Bayes pada Klasifikasi Kategori doi 10 26623 transformatika v20i2 5880

Metadata

File size	2.81 MB
Pages	13
DMCA	Report